本文提出了两种等价的平滑凸优化问题，并使用 Nesterov's 方法来加速计算。我们还展示了 Euclidean Projection 的解析和线性计算方法，并在多个数据集上验​​证了该算法的有效性。

May, 2012

本文提出一种利用基于块的 l1— 范数正则化器实现图像稀疏表示及重建的新方法，同时利用其凸性质，开发出可以保证全局最优性的计算有效的恢复算法，并在压缩图像恢复、图像恢复和鲁棒 PCA 等各种任务上证明了其有效性。

May, 2016

提出了一种显式算法，用于最小化带有不可分离 L1 项的 L1 正则化最小二乘函数。对于每个迭代步骤，该算法需要四个矩阵向量乘法和单个简单的投影，并证明了收敛性和函数的 1/N 收敛速率。同时，该算法可以处理其他基于 L1-norm 以外的凸非分离度量，方法是用简单的接近算子代替投影。

Apr, 2011

通过参数估计准确性和特征选择质量两个角度，我们得出了最小二乘回归与 $L_1$ 正则化的性能边界。对于 $L_1$ 正则化得出的主要结果扩展了 Dantzig 选择器中 [Ann.Statist.35 (2007) 2313-2351] 类似的结果，并肯定回答了 [Ann.Statist.35 (2007) 2358-2364] 中的一个未解问题。此外，该结果还产生了一种更广泛的特征选择观点，该观点比一些最近的工作具有更少的约束条件。基于理论洞察力，我们分析了具有选择性处罚的新型两阶段 $L_1$ 正则化过程，并表明如果目标参数向量可以分解为具有大系数的稀疏参数向量和具有相对较小系数的其他较少稀疏向量的总和，则两阶段过程可以提高性能。

Aug, 2009

该研究针对短且稀疏的盲退卷积问题，将其作为一个在球面上的非凸优化问题，通过一个简单的初始化方法和逃离严格鞍点的下降算法，在特定条件下能达到接近真实卷积核的效果。

Jun, 2018

在稀疏优化的范畴中，本文研究了在非可微目标函数上添加平滑函数的想法，特别是在 $||x||_1+1/(2\alpha)||x||_2^2$ 和 $||X||_*+1/(2\alpha)||X||_F^2$ 两种情况下，我们证明了它们可以高效地回复稀疏向量和低秩矩阵，并且具有类似于 $||x||_1$ 和 $||X||_*$ 最小化的稳定恢复保证。同时，我们还表明，对于求解 $Ax=b$ 的问题，最小化 $||x||_1+1/(2\alpha)||x||_2^2$ 的线性 Bregman 算法具有全局线性收敛性，而收敛特性不需要对 $A$ 有任何属性，这是关于一阶稀疏优化算法的全局收敛率的已知最佳结果。

Jan, 2012

我们提出了一种用于未知块结构下任意线性变换的块稀疏凸信号重建方法，它是现有方法 LOP-𝓁₂/𝓁₁的一种推广，能够在不可逆变换下重建具有块稀疏性的信号。我们提供了解决该方法的迭代算法，并给出了收敛到最优解的条件。数值实验验证了该方法的有效性。

Jan, 2024

本研究提出了一种新的方法来证明 Group LASSO 算法在稀疏凸优化中的一些特定情况下具有 recovery guarantees，为进一步解决列子集选择问题提供了新的策略。

Jul, 2023

本文探讨了应用于无惩罚最小二乘回归问题的梯度下降方法的隐式正则化方案，旨在从线性测量的过少的系统中重构出一个稀疏信号，考虑到受限等距假设，我们展示了有一定参数下，预设好的初始化、步长和停机时间能给出一个在统计和计算上都是优的算法，可以在费用与读取 poly-logarithmic 因子的数据一样的代价下，实现极小化率。除了最小化控制，我们还展示了当信噪比足够高时，算法会适应实例的困难度并产生一个与维度无关的率。实现算法的关键是一个逐渐增加的步长方案，根据对真实解的精细估计进行适应。我们通过数值实验验证了我们的发现并将我们的算法与显式 Λ1 惩罚进行了比较。从难实例到容易实例，我们看到我们的算法经历了一个相变，最终与具有真正的支持知识的最小二乘拟合器匹配。

Sep, 2019

本文提出了一种基于 Laplacian quadratic 的罚函数的稀疏 Laplacian 收缩（SLS）方法，该方法能在鼓励稀疏性和促进相关预测变量之间平滑性的前提下，具有图表示的广义分组特性，并通过坐标下降算法进行计算。该方法表现优异且拥有选定一致性，适用于高维数据下的变量选择和估计。

Dec, 2011